Torch 深度学习内部讨论和反馈这是 JMP Pro 的 Torch 深度学习插件的官方内部聊天板。在当今的炒作中，该插件是 JMP 预测建模、机器学习和人工智能路线图中的关键组件。请随时发布问题、评论或问题。
回复：Torch 深度学习内部讨论和反馈听起来很棒， @russ_wolfinger 。
我将就手动代码修改事宜向我的客户和您写一封电子邮件。
再次感谢，我会尽快与您联系。
回复：Torch 深度学习内部讨论和反馈您好@DaeYun_Kim目前还没有，尽管在插件安装文件中定义了一个路径变量，指定所有下载的 Web 位置。客户可以很容易地将其更改为本地地址，然后模仿我们在线存储所有 zip 文件的相同文件夹结构。很高兴与您和客户合作，更详细地解释这一点并帮助修改代码。
另一种选择是安装初始插件，然后让每个用户手动将所有动态库文件从内部共享位置复制到本地插件文件夹中。我们经常在内部进行测试，效果很好。
回复：Torch 深度学习内部讨论和反馈@russ_wolfinger Torch Deep Learning 插件可以在封闭环境中安装吗（没有互联网连接或有防火墙）？如果不行，有没有其他方法可以在这样的环境中安装此插件？提前谢谢。
回复：Torch 深度学习内部讨论和反馈大家好，
我们收到了一些关于 Torch 模型部署的积极反馈，这表明客户正在认真考虑在其管道中使用 Torch 模型。该插件目前仅提供了几个 Jupyter 笔记本示例，在实际部署代码方面还有很多不足之处。
我们最近取得了重大进展，在模型红色三角形的基础上实施了一个全新的“生成 Python 代码”选项，并希望将其与 18.1 和 19 Early Adopter 一起发布。该选项创建的 Python 代码会调用一个名为 JMPTorch 的新 Python 类，该类将包含在该插件的未来版本中。此类的预测方法会处理保存在 Torch 目录中的所有模型并创建平均集成预测，处理所有中间步骤和嵌入。附加的 zip 文件包含带有此类的当前 jmptorch.py 文件以及示例调用代码和 10 张示例图像。
此代码全部为 Python，可在安装必要的软件包后在 JMP 的 Python 或外部 Python 中运行。请参阅“Model 1.py”顶部的注释说明，了解要安装哪些软件包，当然包括 torch 本身。
非常乐意听听您对此的反馈以及任何改进想法。我们昨天刚刚向 Lumentum 展示了它，他们非常喜欢。
笔记：
- JMPTorch 类对于文本和更复杂的模型来说仍然不完整，但应该适用于基本图像和表格分类模型。
- 目前，插件的 Torch 动态库与 JMP Python 中安装的类似动态库之间存在冲突，因此您只能在单个 JMP 会话中运行其中一个。我已经在两个单独的 JMP 实例中成功运行了这些程序。
回复：Torch 深度学习内部讨论和反馈感谢@nick_shelton对此进行检查。保存 CAM 选项目前无法正常工作，但我们计划在即将发布的版本中解决这个问题。完全同意这是可视化和解释卷积神经网络如何工作的好方法。
回复：Torch 深度学习内部讨论和反馈@russ_wolfinger我一直在探索“保存 CAM”选项。鉴于 JMP 在可视化方面的实力，我认为这将是一个很好的话题，可以围绕使用 JMP 解释 ML 模型展开讨论。问题是我无法让该选项为我工作。每次我建立一个模型并使用该选项时，我得到的图像看起来都是完全黑暗的。我是不是漏掉了什么步骤？
回复：Torch 深度学习内部讨论和反馈大家好，
想要尝试真正快速的 NVIDIA GPU 吗？寻找志愿者！请不要让这分散您对销售职责的注意力，但您可以在重要的销售机会或空闲时间使用它。
您可能已经听说 SAS 目前在其许多分析部门中非常积极地通过 CUDA 编码进行 NVIDIA 专用 GPU 开发。他们正在购买大量新的 NVIDIA 设备，包括最新的 H100，价格可能超过 25,000 美元。
他们需要一些基准测试，我已经与他们联系，告诉他们使用 Torch 插件和固定 GPU 来启动和运行 JMP Pro 是多么简单和快速，这些 GPU 使用了我们用于图像和文本分类和回归的所有新示例。
他们刚刚为我们设置了一台新的 Windows 2022 服务器，该服务器配备四个独立的 L40 GPU，每个 GPU 都有 48 GB 内存！L40 比 TDL 上的 P100 先进三代。
如果您想尝试这个新服务器，请直接给我发消息，我会向您发送登录凭据和说明。我们只要求您发回您尝试的几个模型的运行时间（您可以选择或我可以推荐一些），这些时间会在您拟合的每个 Torch 模型之后打印在 JMP 日志中。
对于一些初始案例，我尝试了 Torch Storybook 中的几个不同示例，发现速度比 P100 提高了约 2-3 倍。
喜欢这个东西，
拉斯
回复：Torch 深度学习内部讨论和反馈谢谢〜！
回复：Torch 深度学习内部讨论和反馈谢谢你，金！
回复：Torch 深度学习内部讨论和反馈谢谢@lkimhui 。为了让每个人都清楚，“断开连接”和“退出”之间是有区别的。断开连接或简单地关闭远程桌面连接应用程序不会终止会话，JMP 和您打开的任何其他应用程序仍在服务器上运行。要终止会话并释放任何使用的资源，您需要“退出”。Windows 菜单中提供了“退出”选项，单击您的登录名，然后选择“退出”。
回复：Torch 深度学习内部讨论和反馈
赞同，请在使用后注销实例，空闲用户仍在消耗 RAM。
附件是 5 个空闲用户的累积数据，已消耗了 128GB RAM 的约 23%。
回复：Torch 深度学习内部讨论和反馈嗨@Ben_Ingham ，我们仍在努力简化流程，但目前有一些在 Python 笔记本中部署已保存的 .pt 文件的示例。单击“视图”>“加载项”，选择 TorchDeepLearning，单击“主文件夹”链接，然后查看笔记本子文件夹。
每个模型都保存在 2-3 个单独的 .pt 文件中，以便输出中间嵌入。在 Python 中，需要指定完全相同的架构，然后从 .pt 文件中加载模型权重。如果进行 K-fold，则会保存多个模型，可以对这些模型进行平均/集成，以获得更稳定和准确的预测。
回复：Torch 深度学习内部讨论和反馈大家好，
我很好奇，关于客户如何在 Torch 插件中创建模型之后在 JMP 之外部署他们的模型的建议 - 因为它位于您可以在公式仓库中分配的公式“之外”，最好的流程是什么？
谢谢，
本
回复：Torch 深度学习内部讨论和反馈大家好，
我收到了一些请求，要求分享用于Torch 插件点播网络研讨会的幻灯片。
干得好！
回复：Torch 深度学习内部讨论和反馈我今天早上确实看到了@russ_wolfinger
回复：Torch 深度学习内部讨论和反馈嗨@Florian_Vogt我刚刚更新了说明，在开头添加了有关远程桌面的更多详细信息。如果它不适合您，请告诉我。我不熟悉国际上的运作方式，可能需要其他步骤。
回复：Torch 深度学习内部讨论和反馈你好，Florian，
从您的笔记本电脑搜索 Microsoft 远程桌面应用程序。如果您没有看到它，您可能需要从托管软件中心安装它。当您启动远程桌面应用程序时，您需要按照 Russ 的说明建立连接。
马尔科姆
回复：Torch 深度学习内部讨论和反馈谢谢 Russ，现在一切正常。
回复：Torch 深度学习内部讨论和反馈谢谢@Chris_Kirchberg我刚刚更新了说明，第一步是使用 VPN。对于计算机本身，IT 大概在昨天下午删除了所有关于并发用户数量的限制。你今天看到这个限制了吗？如果是的话我可以再问他们。
回复：Torch 深度学习内部讨论和反馈谢谢@malcolm_moore1我刚刚重置了 C:\Public 的权限，这样每个人都可以读/写。我之前设置过这些权限，但不知怎么的它们又变回来了。希望这次能保留这些权限。
回复：Torch 深度学习内部讨论和反馈嗨，拉斯，
非常好，谢谢。
“远程桌面进入”到底是什么意思？我该怎么做？
谢谢
弗洛里安
回复：Torch 深度学习内部讨论和反馈这些说明中需要添加两点：
- 您必须通过 VPN 连接您的计算机才能访问服务器，否则您将无法连接
- 完成后，请注销服务器，连接数有限。几秒钟前我连接时看到有两个人在线。一个被列为离开，另一个闲置了 1 小时 30 分钟。
回复：Torch 深度学习内部讨论和反馈谢谢 Russ，你介意检查一下C:\Public 的访问权限吗，因为当我尝试安装插件时，我被拒绝访问。
最好的，
马尔科姆
回复：Torch 深度学习内部讨论和反馈很高兴地宣布，Windows Server tdl.na.sas.com已为 JMP 中的任何人创建，以便他们远程访问和使用桌面，尤其是那些本地计算能力较慢的人。它配备了两个 NVIDIA P100 GPU，每个 GPU 都有 12 GB 的 GPU 内存和 128 GB 的 CPU RAM。我们中的 2-4 人应该能够同时运行 Torch。说明：
1. 建立 VPN 连接。我使用 Cisco Secure Client AnyConnect VPN，但不确定国际上大家都怎么做。
2. 在 Windows 上启动远程桌面应用程序。我相信 Microsoft 的 Mac 上也有这个功能（如果在 Mac 上无法使用或者有更好的替代方案，请纠正我）。对于计算机，输入 tdl.na.sas.com，然后根据提示输入您的 Windows 凭据。这将启动服务器上的虚拟会话。
3. 远程桌面登录后，找到并启动 JMP Pro 19（最新版本，准备就绪后将被 18.0.1 取代）或 JMP Pro 18（应该可以很好地运行，但在 19 中修复了一些问题）。
2. 将 C:\Public\TorchDeepLearning.jmpaddin 拖到 JMP Pro 上，安装您自己的 Torch 插件副本。您也可以从https://community.jmp.com/t5/JMP-Add-Ins/Torch-Deep-Learning-Add-In-for-JMP-Pro/ta-p/733478下载该插件
3. 单击插件 > Torch Deep Learning > Torch Deep Learning 并选择 NVIDIA-GPU。
等待几分钟，所有文件即可下载并成功解压，然后您就可以开始了。
4. 这是一个共享资源，有时我们可能需要轮流使用。要检查当前使用情况，请先打开任务管理器，检查 CPU 和内存，然后单击“用户”选项卡以查看谁已登录。然后打开命令提示符并输入“nvidia-smi”以查看当前 GPU 使用情况。
如果至少有一个 GPU 处于 0%，您就可以开始了。如果两个 GPU 都在使用，请稍后再回来。如果您是运行模型并使用 GPU 的人，可以继续运行几个小时，但完成后请确保保存您的工作并关闭 JMP 以清除所有 GPU 内存。要在 Torch 插件中使用第二个 GPU，请在高级选项下，在第一次运行插件时选择设备“cuda:1”。
5. 尽享以 NVIDIA GPU 速度运行 Torch 模型的乐趣！从示例数据、Torch Storybook 或您自己的数据中进行选择。C:\Public 文件夹与所有人共享，应该便于传输文件。您也可以随意在 C:\ 中创建文件夹来保存数据和结果。
6. 请在此处报告任何问题、反馈、疑问或建议，或直接给我发消息。
我们知道第 2 步浪费了磁盘空间，因为我们每个人最终都会拥有自己的一组大型 dll。C: 驱动器有 1 TB 的空间，所以我们应该暂时没问题。如果你们中有人熟悉在这样的服务器上设置带有共享文件的加载项，请联系我，我们可以在这里尝试。我不确定 dll 是否是可重入的——这对于可能选择此类设置的客户来说是个好兆头。宝洁公司已经在谈论这件事了。
回复：Torch 深度学习内部讨论和反馈计划针对 18.0.1 版本进行修复，剪切长消息的中间部分以在窗口显示，但仍然将完整的消息发送到日志。
回复：Torch 深度学习内部讨论和反馈来自团队“JMP 18 培训新功能”聊天的交叉发布：
大家好，更新后的 Torch Storybook 附有六个新示例：
想把“爱你的微笑”献给 Ian，他温暖而好奇的微笑激发了无数富有成效的互动，也是我们 JMP 文化和软件如此强大的核心。更不用说他出色的插件，可以从 SMILES 字符串显示化学结构。还有：类似于@Chunwei_Ma提供的肽液相色谱保留时间示例，我们可以使用 BertTiny 等转换器语言模型以 SMILES 字符串作为输入，准确预测 IGC50 等化学活性。真的令人印象深刻，受到 Ian 的启发:cara_que_sonríe_con_ojos_sonrientes:
感谢@lkimhui提供的 SEM 图像、 @Byron_JMP提供的 M&M 图片（与曼彻斯特的数据相同）、 @jiancao提供的多伦多赌场调查数据以及@Chunwei_Ma提供的 Yeast_RPLC。非常感谢大家的反馈和关注，我们才刚刚开始！18.0.1 中将提供相当多的修复和改进。
@lkimhui和 Amanda Loh 在亚洲/大洋洲的 Torch 网络研讨会上表现非常出色：
Torch 插件 JMP Pro 18 - 2024 年 3 月 20 日.mp4
最后，对于那些硬件速度较慢的用户，我们正在与 IT 部门合作，建立一台具有 NVIDIA GPU 直通功能的内部 Windows 服务器，您可以通过远程桌面进入该服务器并使用 Torch 运行 JMP Pro。详细信息即将公布。
回复：Torch 深度学习内部讨论和反馈谢谢@russ_wolfinger ，睡了一晚后，JMP 允许我再次安装:)
回复：Torch 深度学习内部讨论和反馈你好@Florian_Vogt之前运行插件时肯定打开了某个文件或进程，或者可能是第二个 JMP 实例。确保所有 JMP 会话都已关闭，在任务管理器中验证任何内容，然后重试。如果仍然不行，可以完全删除 com.jmp.torchdeeplearning 文件夹并重新开始。如果您的互联网速度没问题，从头开始安装的总时间（包括下载）应该不超过一两分钟。
回复：Torch 深度学习内部讨论和反馈大家好，
我想将插件更新到最近发布的版本。我下载了新文件并想安装，但随后出现了以下情况：
重新启动 JMP 后，插件从菜单中消失了，但我仍然无法安装它。
知道我搞砸了什么吗？
回复：Torch 深度学习内部讨论和反馈不久前，我针对此问题创建了一个 Jira 票证。它已被关闭。
回复：Torch 深度学习内部讨论和反馈使用 NIST 数据集的子集，窗口中显示的设置创建了一个错误消息，该消息太长以至于滚动出页面，因此我无法关闭它，因此我不得不手动终止 JMP。在 MacBook Pro M3/Max 上运行。
回复：Torch 深度学习内部讨论和反馈@russ_wolfinger ，谢谢，这是图像大小问题。当我将图像大小增加到 112 时，模型可以正常工作。是否可以添加检查或设置默认图像大小以与所选图像模型兼容？
回复：Torch 深度学习内部讨论和反馈谢谢@Peter_Hersh我刚刚将以下内容发布到 SE Training Teams 聊天室，让我在这里重新发布以确保大家看到它。具体来说，想知道您是否安装了 CUDA，以及这是否有区别，因为我认为您的 RTX A3000 在很多情况下应该可以很好地工作。还请注意，AlexNet 和其他几个模型需要图像大小大于 28。224 通常非常好，但会减慢运行时间。56 和 112 的图像大小在许多情况下也可以很好地工作，并且比 224 更快。
Windows 笔记本电脑用户：使用 NVIDIA 显卡，您仍然可能获得加速，至少对于较小的图像和文本模型而言。请尝试以下步骤：
1. 打开任务管理器，单击“性能”选项卡，然后查看底部附近，检查你拥有的 NVIDIA 显卡。我的 ThinkPad 有一台 Quadro RTX 3000 和 6 GB RAM，这块显卡还不错
2. 如果您的 NVIDIA 卡看起来没问题，请打开命令提示符并输入命令“nvidia-smi”。输出应类似于以下内容，显示您的 CUDA 版本、卡名称及其当前内存和计算使用情况。
3. 如果未找到 nvidia-smi，请按照此处的说明安装 CUDA 驱动程序： Microsoft Windows 的 CUDA 安装指南 (nvidia.com)我知道这些看起来很长，但这主要是检查，这应该只需要大约 10 分钟。重复步骤 2 验证 CUDA 是否已正确安装。
4. 从 myjmp.com 的早期采用者页面安装 Torch 插件。首次启动平台时，将下载 7 个大文件。请耐心等待，让这些文件下载到 100% 并完全解压。如果由于某种原因安装中断或仅部分完成，请删除整个 com.jmp.torchdeeplearning 插件文件夹（单击“查看”>“插件”、“Torch 深度学习”、“主文件夹”），然后重试。
5. 通过单击“插件”>“Torch 深度学习”>“示例数据”>“MNIST”来尝试完整的 MNIST 示例。单击左上角附近的嵌入式 Torch 脚本绿色箭头，然后单击“开始”。在运行时，在命令 shell 中多次尝试 nvidia-smi 以检查 GPU 使用情况。运行 MNIST 时，我的显示内存约为 1 GB，计算量为 40%。在我的 ThinkPad 上，总运行时间为 50 秒——还不错。相比之下，同样的工作实际上在我的台式机上需要大约 2 分钟，使用的是我昨天使用的更大的 Quadro RTX 6000。
6. 对于较大的图像和文本模型，请减小批处理大小以使用较少的 GPU 内存。批处理大小可能需要为 8 甚至 4 或 2。减小批处理大小时，通常还可以使用较少的 Epoch，因为模型会更频繁地采取步骤并更快地收敛。
7. NVIDIA C++ API 目前无法提供清除 GPU 内存的好方法，而且在运行多个模型后，内存往往会累积起来。如果您收到内存不足错误消息和/或 nvidia-smi 输出显示内存几乎已满，唯一的办法就是完全关闭并重新启动 JMP Pro。在执行此操作之前，请先从红色三角形保存模型，然后您就可以从上次中断的地方继续操作。此外，Ctrl-J 可以方便地拍摄当前输出的快照并将其保存为 JMP 日志——这就是我对故事书中的日志所做的
回复：Torch 深度学习内部讨论和反馈@russ_wolfinger ，是的，继续使用数据集，它是我从 Kaggle 获得的更大数据集的一个子集。我运行了一个包含约 3000 张图像的中型数据集，它在使用 LeNet5 图像模型的默认设置下运行良好。这三种模型类型的一些问题给我带来了问题。
我有一块 NVIDIA RTX A3000 GPU，配备 6GB 专用内存。我有一个 64GB 的 CPU。
回复：Torch 深度学习内部讨论和反馈@Peter_Hersh感谢您的报告。嵌入了 8 种不同图像模型的脚本在我的 GPU 机器上大约 10 分钟内顺利运行，最终 GPU 内存使用量为 4 GB。您收到的错误消息似乎是合法的——您的机器内存不足。请问您在哪种硬件上运行？
AlexNet 和 DenseNet121 需要更大的图像大小值，如 112 或 224。我们正在努力改进此问题的错误消息传递方式。
这是胸部 X 光片的优质数据。可以将其添加到故事书中吗？数据来源是什么？
回复：Torch 深度学习内部讨论和反馈我尝试使用此数据集的几个图像模型都给出了错误消息。AlexNet、EfficientNetB0、DenseNet121 都给出了以下错误消息。
回复：Torch 深度学习内部讨论和反馈你好@russ_wolfinger
一位领导刚刚问我是否可以实现他自己的模型架构。这可能吗？我该怎么做？
感谢您的回答
回复：Torch 深度学习内部讨论和反馈你好@Steph_Georges ，
我认为插件帮助文档中提到过这一点。就我个人而言，我还没有尝试创建自己的模型，但确实有潜在客户问过同样的问题。
希望这可以帮助:)
回复：Torch 深度学习内部讨论和反馈非常感谢@lkimhui 的精彩引用和解释。
嗨@Steph_Georges ，正如@lkimhui提到的，我们已经将插件设置为自动读取指定文件夹中所有 JIT 跟踪的 .pt 文件，以进行图像或文本建模。用户可以在 PyTorch 中创建和预训练这些模型，使用 JIT 脚本或跟踪保存它们，然后将它们复制到这些文件夹中，下次启动插件时它们将显示在菜单中。我们也非常乐意接受有关将模型正式添加到插件的建议。
我还要提一下，对于表格和图像数据，界面本身相当灵活，可以使用“层大小”、“激活”、“Dropout”和“Norm”等高级选项设计自定义架构。这些设计用于 MLP（表格）、CustomConv1d（时间序列/功能）和 CustomConv2d（图像）。
回复：Torch 深度学习内部讨论和反馈大家好，我刚刚制作了一个新的介绍视频： jmp.com/support/downloads/TorchDeepLearning18/videos/Torch_Intro2.mp4
尝试更好地使用 Camtasia，但哇，对真正制作精良的视频有了全新的欣赏。真诚地感谢您对内容、风格或相关内容提供的任何反馈；越批评越好！
回复：Torch 深度学习内部讨论和反馈感谢 Russ 的这一做法，结合你的故事书，这将对 SE 有很大帮助。
关于您的反馈请求，这取决于您的目标受众。对于 SE，随着我们对方法的深入研究，我们可能需要更多技术细节。
对于用户，我的指导是从故事开始（在您的故事书中）——典型的用户今天会做什么来解决问题，保持现状的问题，火炬插件提供的改进机会，然后只展示最终结果（顿悟时刻，避免如何获得最终结果），然后描述用户获胜和由此产生的商业利益。让观众有动力进一步探索。
回复：Torch 深度学习内部讨论和反馈嗨，Torchers，我正在制作一个新的 2 分钟介绍视频。寻求对第一个剪辑的反馈——附件。谢谢！
回复：Torch 深度学习内部讨论和反馈这是一个很棒的、功能丰富的预告片，Russ，它可能会吸引那些已经在一定程度上应用了这些方法但希望节省时间并可能做出更明智决定的潜在用户。另一方面，如果你的目标用户是那些有问题或需要（例如用“自动”图像分类代替手动图像分类以避免乏味、错误和节省时间）但不熟悉任何方法的人，那么你可能希望从痛苦/问题开始（例如，手动对图像进行分类是一项耗时、容易出错和繁琐的工作），并描绘出解决方案的愿景，展示分析结果，而较少强调操作方法部分——更多地强调用户获胜。
最好的，
马尔科姆
回复：Torch 深度学习内部讨论和反馈顺便提一下，附上了 XGBoost 和 Venn Diagram 的介绍视频。正在为 Marketplace 推出这些产品——欢迎反馈！
回复：Torch 深度学习内部讨论和反馈最新的文档非常有用，特别是在解释如何对新数据进行评分时。我认为有两个功能可以让它变得更加简单。首先，删除旧模型的简单方法。也许我不知道在哪里可以删除旧模型，但我一直在磁盘上存储模型的文件夹并通过操作系统删除它们。其次，恢复用于验证列的内容的简单方法。我假设在对新数据进行评分时，需要确切的验证列数量、建模类型和级别。我发现这种详细程度很难跟踪，尤其是在构建大量模型时。
回复：Torch 深度学习内部讨论和反馈Russ，我在尝试保存模型时遇到了错误。我尝试将其保存在本地默认的 AppData 文件夹中，位于一个驱动器上，即我的桌面上，但我一直收到该文件夹不存在的警告。您怎么看？
回复：Torch 深度学习内部讨论和反馈@Peter_Polito感谢您的报告。根据当前代码的设置方式，需要在运行模型之前指定高级选项下的文件夹字段。然后，当模型完成训练时，将在此主文件夹下创建一个子文件夹，默认名称为“模型 1”。然后，“保存模型”红色三角形选项只会重命名此子文件夹。
如果其他方法都失败了，您还可以在 Windows 资源管理器或 Mac Finder 中手动重命名或移动子文件夹。这符合@DonMcCormack的建议，即提供一种更简单的方法来管理这些文件夹——目前还没有这方面的进展，但这是个好主意。
回复：Torch 深度学习内部讨论和反馈我已经有一段时间没上服务器了。我想重新安装 Torch 插件，但收到以下消息：“无法完成安装。目标目录或目标目录中的文件已被锁定。”有什么建议吗？
回复：Torch 深度学习内部讨论和反馈当我尝试使用模型对新数据集进行评分时，我遇到了几个不同的错误。
我试图重新做我过去做过的事情，但由于某种原因，它不再起作用。
回复：Torch 深度学习内部讨论和反馈我应该提一下，这是在 JMP Pro 19.0.0 中完成的。（在 JMP Pro 18 中一切正常）
回复：Torch 深度学习内部讨论和反馈关于如何正确保存 CAM，有什么更新吗？我有个客户问过这个问题，他遇到了“黑屏”问题。
回复：Torch深度学习内部讨论和反馈我收到一位客户提出的问题，内容大致如下：
“我认为很多 Torch 深度学习的用户已经精通 Python。在这种情况下，在 JMP 上进行深度学习的价值是什么？是否有任何实际应用案例？”
对此，我的思路整理如下。
首先，在概念验证和探索阶段，JMP 在速度和实验便捷性方面具有明显的优势。无需编写代码即可快速测试基于图像和文本的深度学习模型，从而能够快速评估其可行性。
其次，JMP Pro 的目的并非取代 Python。实际上，当高级建模完全依赖于精通 Python 的用户时，这些用户可能会成为瓶颈。允许非 Python 用户在 JMP Pro 中进行概念验证和验证工作，有助于分散责任，并在整个组织内更高效地推进分析工作。
基于此，我希望您能提供一些关于其他益处的见解，以及实际应用案例——特别是典型的用例和从概念验证到生产阶段的案例。
谢谢。
回复：Torch深度学习内部讨论和反馈@小泉佑介思路清晰，回复精彩。
第三，JMP Pro 提供了一个动态交互环境，在训练和推理过程中都能输出丰富的数值和图形信息。例如，您可以拖动矩形框选中错误分类的验证点，并在 JMP 表格中进行可视化误差分析；或者，您可以向二元响应模型添加利润矩阵，并以交互方式优化决策阈值。
